Fish Audio Live 3 odpowiada w 186 milisekund, po czym przez resztę połączenia zastanawia się, czy mówić.

Fish Audio Live 3 to pełnodupleksowy model głosowy, który Fish Audio ogłosił 2026-11-10, a cała jego propozycja opiera się na jednym rozróżnieniu, które większość agentów głosowych wciąż myli: pauza w środku numeru telefonu to nie to samo wydarzenie co pauza na końcu pytania. Model słucha, gdy mówi, potrafi zdecydować się na odpowiedź w zaledwie 186 milisekund według Fish Audio i został wytrenowany na nagranych ludzkich rozmowach, aby nauczyć się, kiedy potwierdzać, kiedy czekać, kiedy odpowiadać, a kiedy przestać — zamiast otrzymać tabelę progów ciszy.

Ta ostatnia klauzula jest tą interesującą — i właśnie dlatego ten tekst nie może podać ci benchmarku. Fish Audio nie opublikowało żadnej oceny modelu Live 3, żadnej ceny za bajt dla niego w swoim cenniku ani identyfikatora modelu bądź dokumentacji punktu końcowego, które by go wymieniały. Artificial Analysis, który ocenia modele mowy dupleksowej w ramach jednego zestawu testowego, na dzień 2026-11-11 nie zawiera wiersza Live 3 — ranking wymienia Fish Audio jako rodzinę modeli i nie ocenia żadnego z jej rozwiązań dupleksowych. Liczba 186 milisekund pochodzi od dostawcy i nie została poddana audytowi. To, co następuje, oddziela to, co Fish Audio udokumentowało, od tego, co jedynie twierdzi, ponieważ dzień po premierze to dwie różne kategorie.

Pauza, która psuje numer telefonu

Własny przykład Fish Audio jest najlepszym argumentem w ogłoszeniu. Przeczytaj numer na głos fragmentami — „415… 555… 0132” — a konwencjonalny agent usłyszy trzy osobne zdarzenia końca tury albo jedną długą pauzę, którą weźmie za zastanawianie się dzwoniącego. W dokumentacji Live 3 podano, że mówi „mm-hmm” lub „okay, 415” między fragmentami, a potem czeka na resztę. Potwierdzenie spełnia dwie funkcje naraz: potwierdza, że cyfry dotarły, i pozostawia rozmowę otwartą, aby dzwoniący mógł zaczerpnąć oddechu, sprawdzić kolejne kilka cyfr i kontynuować.

Trudniejsza połowa tego samego problemu to błąd odwrotny. Jeśli agent odczytuje godziny otwarcia, a dzwoniący mówi „tak” lub „mm-hmm”, żeby pokazać, że nadąża, Live 3 zgodnie z dokumentacją kontynuuje, zamiast się zatrzymywać. Potem dzwoniący mówi: „Czekaj, właściwie potrzebuję tylko czwartku”, a ono się zatrzymuje i robi miejsce. Fish Audio ujmuje to tak, że nie każdy dźwięk jest przerwaniem, a model ma odróżniać sygnał podtrzymujący rozmowę od przejęcia głosu, bez konieczności, by deweloper wyliczał każdy dźwięk, jaki człowiek może wydać.

Trzeci przypadek to korekty w trakcie wypowiedzi: „Chciałbym dwie pizze… nie, trzy. Trzy duże. I… właściwie jedną z nich zróbcie margheritę”. Pipeline, który uruchamia się przy pierwszym wiarygodnym kompletnym zamówieniu, dwukrotnie składa niewłaściwe zamówienie. Udokumentowano, że Live 3 przeczekuje każdą korektę. Telefony do wsparcia, rezerwacje i zamówienia są pełne dokładnie takich sytuacji i to dlatego dyrektor generalny Fish Audio sięgnął po analogię językową, a nie wartość opóźnienia.

„Dotychczasowe rozwiązanie polegało na większej liczbie reguł i progów” — powiedziała Rissa Cao, współzałożycielka i CEO Fish Audio. „Uważamy, że model powinien uczyć się tego z prawdziwych rozmów, tak jak modele językowe uczą się gramatyki”.

Co Fish Audio faktycznie zapisało na papierze

Po odarciu z marketingu opublikowany zakres Live 3 jest wystarczająco krótki, by wymienić go w całości. Wszystko poniżej pochodzi z ogłoszenia Fish Audio lub jego dokumentacji; nic tutaj nie zostało niezależnie zmierzone.

• Czas reakcji — Fish Audio podaje, że model może zdecydować się na odpowiedź w zaledwie 186 milisekund, w kontekście krótkich reakcji, takich jak „mm-hmm”, „okay” i szybkich potwierdzeń, a nie pełnych odpowiedzi.

• Architektura — pełny dupleks. Słucha, jednocześnie mówiąc, i właśnie dzięki temu potwierdzenie w trakcie wypowiadania numeru jest w ogóle możliwe.

• Sygnał treningowy — prawdziwe rozmowy międzyludzkie, z zachowaniem sekwencji wypowiedzi nauczonym, a nie skonfigurowanym. Nie ujawniono rozmiaru zbioru danych, liczby godzin ani zestawu ewaluacyjnego.

• Języki — na start wyłącznie angielski, jasno stwierdzone w ogłoszeniu.

• Dystrybucja — Fish Agent Platform, własne API Fish Audio oraz wdrożenie on-premises dla klientów korporacyjnych.

• Cena — nieopublikowana. Cennik Fish Audio wymienia drama-3, s2.1-pro, s2.1-pro-free, s2-pro i s1, a także trzy modele ASR i voice-design-1. Live 3 nie pojawia się w nim.

Samo ogłoszenie warto przeczytać w całości, bo jest niezwykle konkretne, jeśli chodzi o zachowanie, i niezwykle powściągliwe, jeśli chodzi o liczby.

Towarzyszą temu trzy fragmenty audio — dzwoniący, który z pauzami dodaje szczegóły; dzwoniący, który przerywa odczytywanie listy menu; oraz dzwoniący mówiący „mm-hmm”, gdy agent odczytuje zamówienie — a każdy z nich przedstawia to samo twierdzenie o zachowaniu z innej perspektywy. Żaden z nich nie jest opatrzony oceną na poziomie transkrypcji, a komunikat nie twierdzi, że taką zawiera.

Z czego składa się agent Live 3

Live 3 to warstwa mowy większego produktu, a reszta tego produktu to miejsce, w którym odbywa się praca integracyjna. Fish Audio prowadzi hostowaną Agent Platform, obecnie w publicznej becie, która udostępnia interfejs REST pod /v1/agent/* oraz klienckie SDK dla JavaScript i React. Agentów można podłączać do widgetu webowego, numeru telefonu lub niestandardowego klienta, a sesje są uwierzytelniane tokenami sesji, a nie długotrwałym kluczem w przeglądarce. Platforma obsługuje ścieżkę audio; Ty dostarczasz instrukcje, narzędzia i przepływy pracy.

Część, która ma znaczenie dla każdego, kto buduje na tym rozwiązaniu, to hook niestandardowego LLM. Fish Audio pozwala warstwie rozumowania agenta wskazywać punkt końcowy zgodny z OpenAI, co oznacza, że model wykonujący myślenie nie musi pochodzić od dostawcy. To celowo zaprojektowana szczelina i właśnie w tej szczelinie należy umieścić warstwę routingu. OrcaRouter znajduje się za tym punktem końcowym z 216 modelami dostępnymi na tym samym kluczu, w cenie katalogowej dostawcy bez marży oraz automatycznym przełączaniem awaryjnym, gdy dostawca zwróci błąd — dzięki temu planner wewnątrz agenta Live 3 można wymienić, przetestować A/B na rzeczywistych transkryptach rozmów i przekierować bez dotykania warstwy mowy ani numeru telefonu. DSL routingu decyduje, który model obsługuje które połączenie, a fuzja modeli pozwala taniemu modelowi przygotować szkic, podczas gdy silniejszy model sprawdza wywołanie narzędzia przed jego wykonaniem. Aby jasno określić granicę: OrcaRouter nie hostuje Fish Audio Live 3. Nie ma dla niego punktu końcowego firmy trzeciej, a warstwa mowy jest tutaj własnością dostawcy.

Platforma to miejsce, w którym agent otrzymuje swój numer telefonu, narzędzia i cykl życia sesji.

Co by to rozstrzygnęło?

Trzy liczby zamieniłyby to z twierdzenia w punkt danych, a żadna z nich jeszcze nie istnieje.

• Cena za bajt lub za minutę dla Live 3, aby koszt dziesięciominutowej rozmowy można było porównać z kaskadą, którą zastępuje. Dopóki to nie zostanie wprowadzone, każdy szacunek całkowitego kosztu wdrożenia Live 3 jest zgadywaniem z przecinkiem dziesiętnym.

• Rozkład opóźnienia, a nie dolna granica. „Już od 186 milisekund” opisuje szybki koniec krótkich reakcji. Czas do pierwszego dźwięku dla pełnej odpowiedzi to liczba, która decyduje, czy dzwoniący wchodzi w słowo agentowi, a Fish Audio jej nie opublikował.

• Niezależny wynik w zakresie naprzemienności mówienia. Artificial Analysis przeprowadza test Full-Duplex-Bench oraz test agentowy τ-Voice na modelach duplex, a oba byłyby bezpośrednio porównywalne z opublikowanymi wierszami dla innych modeli duplex na tym rynku. Wiersz Live 3 na którejkolwiek z tablic odpowiedziałby w jednej tabeli na to, co ogłoszenie przekazuje prozą.

Tymczasem uczciwa interpretacja jest taka: problem, który obrało Fish Audio, jest realny i wciąż zbyt rzadko dobrze rozwiązywany, przykłady praktyczne są właściwe, a model trafia do rzeczywistych użytkowników przez platformę, która sama wciąż jest w wersji beta. Jeśli dzisiejszym trybem awarii Twojego agenta jest to, że rozmówcy są przekrzykiwani albo muszą dwa razy powtarzać ciąg cyfr, Live 3 jest wymierzony dokładnie w to — a pierwszą rzeczą, którą należy objąć instrumentacją po wdrożeniu, nie jest opóźnienie, lecz to, jak często dzwoniący musi zaczynać od początku.